#阿里 · AI 短帖与讨论

路透与彭博同日各给了一条，拼起来是阿里把下一盘棋摊开了：模型要更大，芯片自己做。路透：CEO 吴泳铭说，计划训练 5 万亿到 10 万亿参数的模型；彭博：平头哥发布神武 V900，官方称性能是上一代三倍、集群能扩到 50 万卡（路透稿见文末）。 两条腿的含义值得点破：一条是继续押 scale，参数量往天上加；另一条是铲子自己造，把训练的物理底座收进自己手里。把这两件事放进同一份规划，本质是把成本与供给的主动权一起收回来——模型再大，卡是别人的，命门就在别人手里。对照"闭源实验室在谈规则、谈上市"，两种叙事的分野就在这：一边经营稀缺，一边经营产能。 但读这条新闻最值钱的功夫是把动词读准，三个说法各差一层："计划训"5–10 万亿参数——是计划不是结果，训不训得成、成本几何、何时交付都未定；"官方称"性能三倍——是自家口径，哪一代、什么负载、什么精度都要问；"集群能扩"50 万卡——是扩容上限不是已部署数量。计划、称、可扩，三个词各退一步，新闻的分量就回到该有的位置。 对做选型的人，这条的真正含义是：国产算力加超大模型进入了可预期轨道。可以等的不是"更强"，而是"更可核"——等它真训完、等第三方跑分，再谈对你成本结构的影响。 路透：reuters.com/business/retai…

云栖大会上，Qwen 新掌门刘大一恒首次官宣 Qwen4 全家桶：Qwen4-Max、Qwen4-Flash / Plus、Qwen4-27B。开源侧先上 27B，闭源侧继续按 Max/Plus/Flash 分层；更远的目标是 5–10T 量级模型。 两个数字值得单独拎出来 一是 RSI 自我进化已落地：从真实内测日志和用户反馈里自动找能力缺口 → 自动构造训练数据 → 先在小模型上多轮验证 → 再喂给 Max。一个多月完成 33 轮数据迭代，30 天把千问 3.8 Max 的 AA 智能指数从 40 拉到 45。 二是芯模协同：千问完整接入工业级 EDA，连续跑 60+ 小时、调用数万次工具，在保性能前提下把芯片面积缩减 42%，形成"模型设计芯片 → 更强芯片反哺模型"的循环。 我的看法：这两条比"要发 Qwen4"有信息量得多。RSI 是把评测反馈回路自动化 —— 过去靠人读 case 找短板，现在由系统自己找缺口、造数据、先在小模型验证，训练流程本身被产品化了。芯模协同则是把模型用在自家的重资产环节，能省 42% 芯片面积不是演示级成果。 得留一手：33 轮、40→45、42% 都是发布会口径，没有第三方复现；而且"RSI 初步跑通"和"自我进化"要分开看 —— 前者是可验证的流程，后者目前更像愿景。

阿里 Qwen 团队开源了一套多模态插件系统：Qwen-MM-Plugins。 简单说，给你的 AI 编程助手装一套"外挂"，让它拥有多模态原生能力。 能做什么？ • 看图、看视频、读文档 • 编辑视频 • 处理 3D/CAD 模型 • 把数学题转成教学讲解视频 技术底座： • Qwen-VL（视觉理解） • Qwen-Omni（多模态） • 视频/音频模型 安装超简单： 一条 curl 脚本搞定 6 个智能体框架： • Claude Code • Codex • OpenClaw • Qoder • Gemini CLI • Qwen Code 共享同一套配置文件，独立安装： • 只用 OCR → 只装 core • 需要 3D 建模 → 加 blender 标准：MCP + Skill 这等于从视觉理解到内容生产全链条覆盖，让纯文本的编程助手变成能看懂、听懂、动手干活的多模态 Agent。 GitHub: 阿里开源 你们希望编程助手有多模态能力吗？ #Qwen-MM-Plugins #多模态 #阿里 #开源 #ClaudeCode #Codex